首页
学习
活动
专区
圈层
工具
发布
    • 综合排序
    • 最热优先
    • 最新优先
    时间不限
  • 来自专栏世隆科技的专栏

    世隆科技:雷达在国土资源地质灾害预警领域的应用

    2.全国地质灾害发生数量及类型分析 2022年,全国共发生地质灾害 5659 起,其中滑坡 3919起,崩塌1366起,泥石流202起、地面塌陷153起、裂缝4起、地面沉降15起。 (4)安全性与环保性 无损探测:手推式雷达采用电磁波进行探测,不会对地下结构造成破坏,是一种无损检测技术。 环保节能:采用低功耗设计,减少能源消耗,同时不对环境造成污染。 因此,如何高效、准确检测市政道路病害,成为城市管理亟待解决的问题。车载式三维雷达技术作为一种先进的无损检测技术,在道路检测中展现出独特的优势,为管理者提供有力的技术支持。 车载式雷达 车载式三维雷达是一种集成了高精度探测、三维成像、智能分析以及实时检测功能的综合系统。 车载式三维雷达应用优势 高精度探测与三维成像 车载式三维雷达系统能够实现厘米级分辨率的地下成像,即使是微小的地下变化,如轻微的空洞、裂缝等,也能被准确捕捉。

    74110编辑于 2025-07-31
  • 来自专栏世隆科技的专栏

    世隆科技:雷达参数设置技巧

    雷达参数设置的核心是匹配探测目标与现场环境,没有固定公式,需通过 “理论计算 + 现场试测” 动态调整。1. (2)时窗(Time Window):控制探测深度时窗决定雷达波能传播的最大时间,对应探测的最大深度。计算公式:时窗时间(ns)= 目标最大深度(m)× 2 ÷ 雷达波在介质中的传播速度(m/ns)。 设置逻辑:采样点数 = 时窗时间 ÷ 采样间隔,通常需保证每个雷达波波长有≥2 个采样点。常见范围:时窗 100ns 时,采样间隔建议设为 0.5-2ns,对应采样点数 50-200 点。 试测对比:在探测区域选择典型位置,用 2-3 组不同参数(如不同频率、时窗)各测 10-20 米,对比雷达剖面图的清晰度。

    62010编辑于 2025-10-20
  • 来自专栏世隆科技的专栏

    城市道路地下隐患从 “被动应对” 到 “主动预防”——三维雷达综合检测车

    三维雷达综合检测车的出现,如同为地下空间装上了 “透视眼”,通过一体化、智能化的检测技术,彻底改变了地下隐患排查的模式,成为城市地下安全保障的重要装备。 一、核心定位:从 “单点探测” 到 “全域扫描” 的升级三维雷达综合检测车并非简单的 “车辆 + 雷达” 组合,而是一套集成了三维雷达系统、高精度定位系统、数据实时处理系统、可视化分析平台的一体化解决方案 三维雷达:还原地下 “立体地图”车辆搭载的多通道三维雷达,通过发射高频电磁波(中心频率 200-1500MHz)穿透地表,利用不同介质(如土壤、岩石、管线、空洞)对电磁波的反射差异,生成地下空间的三维数据模型 实时数据处理:隐患 “即时识别”传统探测需将数据带回实验室后处理,往往滞后数天;而三维雷达综合检测车搭载的工业级计算机与 AI 算法,可实现 “边检测、边处理、边预警”—— 车辆行驶中,系统能实时生成地下三维图像 4.

    1K10编辑于 2025-09-09
  • 来自专栏世隆科技的专栏

    世隆科技:雷达——白蚁蚁穴探测的应用

    雷达这位“地下透视眼”,正凭借其独特的技术优势,成为蚁穴探测领域的得力助手。今天,我们就一起来揭开雷达探测蚁穴的科学面纱。  先认识一下:雷达是什么?   终端通过专业软件对信号进行分析、处理和成像,最终生成地下目标的二维或三维图像,帮助工作人员直观判断地下是否存在蚁穴,以及蚁穴的位置、大小、结构和深度。  为什么雷达适合探测蚁穴?   而雷达恰好能针对性地解决这些问题,主要有以下几大优势:  -非破坏性探测:与传统的挖掘、钻探等探测方式不同,雷达不需要破坏地表植被和土壤结构,也不会干扰蚂蚁的正常活动。 蚁穴内部存在大量的空洞、通道和蚁巢,其密度、介电常数等与周围的土壤存在明显区别,这种差异会被雷达清晰识别出来,从而实现对蚁穴精细结构的探测。   雷达探测技术的发展方向  随着科技的不断进步,雷达探测蚁穴的技术也在不断优化和升级。未来,雷达设备将更加小型化、便携化,操作也将更加智能化、自动化。

    44110编辑于 2025-12-09
  • 来自专栏科技向令说

    起底推之殇,其如何重生?

    【文章纸媒首发于杂志《销售与市场》】 最近一篇关于推的报道吸引了我,说是望京SOHO有一条“扫码一条街”,短短100 米,就散布近 30 个推点。这不禁让响铃这货想起自己那段风风火火的推岁月。 但,就在你追我赶互不相让的补贴、扫码和优惠券过后,就在推吧、开拓者等地推平台崭露头角之时,就在“推派”泰斗大众点评和美团把推玩得风生水起却仍“捉襟见肘”之时,作为一名推的loser,响铃这货提起笔写下那段累累的伤痕 并且其他对手也开始模仿我们与推吧等第三方推平台建立了联系。 4、找准对象 关注目标用户、注意用户习惯,知根知底方能百战百胜,比如推的对象是做烧烤的商户就需要对烧烤比较了解,比如烧烤的平均毛利是多少,旺季、淡季在什么时候,哪些菜利润高且食客点得多,是打七折好,还是送几瓶饮料好等等 3、是否有标准化的流程和成熟的推团队执行,4、是否有足够的资金储备和较大规模的地域覆盖能力。

    64210发布于 2018-08-20
  • 地质雷达雷达检测数据集VOC+YOLO格式874张2类别

    数据集格式:Pascal VOC格式+YOLO格式(不包含分割路径的txt文件,仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)

    29510编辑于 2025-07-17
  • 来自专栏FPGA技术江湖

    基于 ZYNQ 的激光雷达三维建模

    因此三维的环境重建是必然的趋势,方便我们实现虚拟世界与现实世界之间的交互。 在三维重建中,主流的方式有视觉和激光雷达两种。 本次设计的基于 ZYNQ 的激光雷达三维建模系统,可以深入目标环境, 进行点云采集,重建三维空间模型,测量等机器视觉方面的应用。 1.4 关键性能指标 1.5 主要创新点 (1) 可通过移动 app 对小车进行远程控制; (2) 算法基于 PCL 点云库; (3) 通过 Icp 算法可达到实时数据配准; (4) 利用 pynq 的 2.2 各模块介绍 2.2.1 R-Fans-16 激光雷达 本系统中激光雷达采集采用的是 R-Fans-16 导航型雷达,它通过 16 线 360°扫描实现三维探测成像。 本设计的点云拼接部分通过 PL 端的 IP 核加速, 增强了拼接效果,成功实现了实时三维重建的功能。

    94010编辑于 2025-05-04
  • 来自专栏世隆科技的专栏

    世隆科技:雷达的常见故障分析及处理

      雷达(GPR)是通过发射和接收高频电磁波探测地下介质分布的设备,核心组件包括主机(控制与数据处理单元)、天线(发射/接收电磁波)、电源系统、数据采集软件及机械辅助结构(如推车、支架)。 雷达的故障多与连接稳定性(信号、电源、通信)、环境适应性(电磁干扰、地面条件)、设备老化(电池、天线、机械件)相关。

    48700编辑于 2025-08-26
  • 来自专栏点云PCL

    基于激光雷达增强的三维重建

    结果表明,在大尺度环境下,加入激光雷达有助于有效剔除虚假匹配图像,并显著提高模型的一致性。在不同的环境下进行了实验,测试了该算法的性能,并与最新的SfM算法进行了比较。 ? 这项工作基于一个简单的想法,即激光雷达的远距离能力可以用来抑制图像之间的相对运动。更具体说,我们首先实现了一个立体视觉SfM方案,它计算摄像机的运动并估计视觉特征(结构)的三维位置。 激光雷达增强的双目SFM 该方案以一组立体图像和相关的LiDAR点云作为输入,以三角化特征点和合并的LiDAR点云的格式生成覆盖环境的三维模型。下图显示了我们的LiDAR增强SfM方案的过程 ? 上图:从4个视图和3个视图点显示求解的对数。下图:不同三元组检查的边数直方图。 ? 左图:初始化的位姿图有4个视图特征。 重建的结果对比 总结 本文提出了一种利用激光雷达信息提高立体SfM方案的鲁棒性、准确性、一致性和完备性的LiDAR增强立体SfM方案。实验结果表明,该方法能有效找到有效的运动位姿,消除视觉模糊。

    1.6K10发布于 2021-01-05
  • 来自专栏深度学习和计算机视觉

    基于激光雷达增强的三维重建

    结果表明,在大尺度环境下,加入激光雷达有助于有效剔除虚假匹配图像,并显著提高模型的一致性。在不同的环境下进行了实验,测试了该算法的性能,并与最新的SfM算法进行了比较。 ? 这项工作基于一个简单的想法,即激光雷达的远距离能力可以用来抑制图像之间的相对运动。更具体说,我们首先实现了一个立体视觉SfM方案,它计算摄像机的运动并估计视觉特征(结构)的三维位置。 激光雷达增强的双目SFM 该方案以一组立体图像和相关的LiDAR点云作为输入,以三角化特征点和合并的LiDAR点云的格式生成覆盖环境的三维模型。下图显示了我们的LiDAR增强SfM方案的过程 ? 上图:从4个视图和3个视图点显示求解的对数。下图:不同三元组检查的边数直方图。 ? 左图:初始化的位姿图有4个视图特征。 重建的结果对比 总结 本文提出了一种利用激光雷达信息提高立体SfM方案的鲁棒性、准确性、一致性和完备性的LiDAR增强立体SfM方案。实验结果表明,该方法能有效找到有效的运动位姿,消除视觉模糊。

    1.6K10发布于 2021-01-06
  • 来自专栏气python风雨

    雷达系列 | 如何转换雷达三维球面坐标为经纬度坐标系

    雷达系列 | 如何转换雷达三维球面坐标为经纬度坐标系 个人信息 公众号:气python风雨 关注我获取更多学习资料,第一时间收到我的Python学习资料,也可获取我的联系方式沟通合作 温馨提示 由于可视化代码过长隐藏 ke: 修正因子,用来调整影响雷达波束传播的大气折射梯度,默认值 4/3 对大多数天气雷达波长是一个很好的近似。 返回 coords: 形状为 (..., 3) 的数组,包含了投影后的地图坐标。 接下来,我们将使用 matplotlib 和 cartopy 将这些数据绘制出来,直观观察雷达回波在地图上的分布,并验证地球曲率修正的效果。 为了演示,我们选取第一层数据进行绘图。 经过 spherical_to_proj 转换并使用 pcolormesh 绘制后,图像正确呈现为以雷达站点为中心的扇形,并能与地图上的地理边界(如海岸线、州界)精确吻合。 波束传播路径:如果您仔细观察远离雷达中心的区域,像素点的形状会发生微妙的变化。这是因为 wradlib 的转换函数考虑了地球曲率和大气折射(4/3 地球半径模型)。

    18510编辑于 2026-04-24
  • 来自专栏世隆科技的专栏

    世隆科技:雷达(GPR)工作原理——高频电磁波的地下 “透视” 逻辑

    雷达(Ground Penetrating Radar,简称GPR)的无损探测技术,核心原理是通过发射高频电磁脉冲穿透地下介质,利用不同介质的电磁属性差异产生反射信号,进而反演地下目标的位置、形态及材质信息 核心硬件组件雷达的工作依赖四大核心部件,协同完成“发射-接收-处理”全流程:- 发射天线:产生并发射高频电磁脉冲(频率范围通常为10MHz~2.6GHz,频率越高,探测分辨率越高,但穿透深度越浅); 雷达的核心能力源于“介质电磁属性的差异识别”,不同地下目标的反射特征具有明确辨识度,主要基于两点:1. 四、应用场景与原理的结合(以特种机器人搭载为例)当雷达与轮式/四足全地形机器人结合时,其工作原理可针对性适配复杂场景:1. 机器人的定位模块(GPS/IMU)与雷达数据同步,将反射信号与探测位置精准匹配,生成“位置-深度”关联的三维探测图;3.

    1.7K10编辑于 2025-11-28
  • 来自专栏点云PCL

    什么是4D成像雷达

    公众号致力于分享点云处理,SLAM,三维视觉,高精地图相关的文章与技术,欢迎各位加入我们,一起每交流一起进步,有兴趣的可联系微信:920177957。 摘要 汽车行业致力于尽可能高效、经济制造出最智能的汽车,目前,汽车制造商面临三个密切相关的核心问题:合规性、复杂性和成本。 4D雷达取代了用于计算机视觉和车辆自动驾驶的摄像头、雷达和激光雷达等旧技术。 4D雷达的优点是能够在任何天气和任何照明水平下工作,准确检测高度、速度和方向,并检测环境中其他物体后面的目标。 为什么说4D成像雷达融合了所有优点 4D成像雷达是下一代雷达技术,它为车辆配备了必要的感知能力,使其能够做出救命的瞬间决策,同时大幅降低OEM和Tier1的直接和间接成本。 稳健性:由于不涉及光学元件,因此该技术在所有照明和天气条件下都很可靠,4D成像雷达不需要目标视线就能可靠监视它们,例如在机舱内,它还可以检测墙壁后面的目标和其他物体,从而在街角附近实现可见性,这使得该技术在

    1.2K00编辑于 2022-12-27
  • 来自专栏世隆科技的专栏

    世隆科技:如何通过雷达技术识别地下空洞等地质隐患

    雷达技术识别地下空洞等地质隐患的方法雷达技术作为一种高效的地球物理探测手段,凭借其对地下介质的高分辨率探测能力,在识别地下空洞、松散体、裂隙带等地质隐患方面发挥着不可替代的作用。 在实际应用中,利用雷达技术识别地下空洞等地质隐患需经过严谨的流程。首先是数据采集阶段,需根据探测目标和场地条件合理选择探测参数,如天线频率、测线布置方式等。 专业技术人员结合地质资料和现场情况,对处理后的雷达图像进行分析,判断地下空洞等隐患的位置、规模和形态。 为确保结果的准确性,还需通过钻探、坑等手段进行验证,形成完整的探测报告,为工程建设、地质灾害防治等提供可靠的技术支撑。 雷达技术以其快速、高效、无损的优势,已广泛应用于城市地下管网探测、公路铁路路基检测、矿山采空区调查等领域,为及时发现和消除地下地质隐患提供了有力保障。

    48910编辑于 2025-07-31
  • 来自专栏世隆科技的专栏

    地质雷达在地坪质量检测验收中的应用理论

    1.雷达技术的基本原理与系统组成  雷达是一种利用高频电磁波进行地下探测的无损检测技术。 这一关系是雷达进行厚度计算和目标定位的理论基础。  雷达的探测深度和分辨率是一对相互制约的参数。通常来说,天线频率越高,分辨率越高,但探测深度越浅。 4.雷达数据的处理与解释技术  雷达数据处理旨在提高信噪比和分辨率,常用方法包括:零漂校正、增益恢复、带通滤波、背景去噪等。高级处理技术如偏移归位、反褶积、小波变换等也可用于改善图像质量。   实践表明,雷达技术在政府投资审计中已得到成功应用。通过雷达技术对公路沥青层面及水稳层进行无损检测,实现了对工程质量的客观评估,为工程验收提供了可靠依据。   未来,随着三维雷达技术、多频天线阵列以及人工智能解释算法的发展,雷达在车库地坪质量检测中的应用将更加精准和高效。

    36310编辑于 2025-11-19
  • 来自专栏点云PCL

    轻量化固态激光雷达三维定位与建图

    更具体说,我们将Intel L515固态激光雷达集成到AGVs中,并在复杂的仓库环境中测试所提出的方法。 该方法能够提供实时定位,并且在旋转情况下具有鲁棒性。 B.性能评估和比较 为了评估定位结果,我们的方法与VICON系统提供的真值进行比较,机器人由手动控制,在尺寸为44m的VICON室内移动,结果如图3所示,其中地面真值的轨迹和我们的方法分别以红色和绿色绘制 在本实验中,所提出的方法被集成到工业AGV中,如图4所示环境中。 图4:仓库环境中的室内定位和建图示例,(a) AGV平台用于仓库运行,前端安装有固态激光雷达,重建的地图显示在中间,我们随机挑选了两个地方进行说明,(b) 和(d)是原始相机视图。 资源 三维点云论文及相关应用分享 【点云论文速读】基于激光雷达的里程计及3D点云地图中的定位方法 3D目标检测:MV3D-Net 三维点云分割综述(上) 3D-MiniNet: 从点云中学习2D表示以实现快速有效的

    1.7K10编辑于 2022-01-20
  • 来自专栏玄魂工作室

    CTF实战4 HTTP协议及嗅抓包

    服务器端向客户端回复响应 4. 这里呢 状态行和其他标题字段必须全部以<CR><LF>结尾 空行必须只包含<CR><LF>,而不能包含其他空格 对<CR><LF>的这种严格要求在邮件正文中有所放宽,以便一致使用其他系统断行 1xx 消息 --- 请求已被服务器接收,继续处理 2xx 成功 --- 请求已成功被服务器接收、理解、并接受 3xx 重定向 --- 需要后续操作才能完成这一请求 4xx

    2.1K20发布于 2018-07-25
  • 来自专栏六月-游戏开发

    三维数学(4)-物体的旋转

    好理解,使用方便 只用三个数表示,占用空间少,在表示方位的数据结构中是占用最少的 缺点 万向节死锁 四元数 什么是四元数 Quaternion在3D图形学中表示旋转,由一个三维向量

    96811编辑于 2022-12-26
  • 来自专栏ATYUN订阅号

    WaveSense的雷达可以使自动驾驶汽车在恶劣天气中更安全

    WaveSense的雷达(GPR),利用12个元件的天线阵列发送高达地下10英尺的高频(VHF)电磁脉冲。 这些波浪反映了地下特征,如管道,植物的根,岩石和泥土,这有助于建立一个工作草图,机载计算机与三维GPS标记的地下数据库相关联。 ? Bolat说,雷达可以穿透雨,雾,灰尘和雪,使它们非常适应恶劣天气。 借助算法和WaveSense的地下地图,他们能够在车辆移动时反复缩小车辆的位置。 它们也有其他用途。当道路需要维护或地下导航时,GPR有一天可能会被用来警告市政当局。 Bolat表示,“我们在高速公路上实现了4cm的side-to-side精度,并且在夜间暴风雪中实现了6cm的横向精度,我不相信任何一家自动驾驶汽车公司都可以保证这一点。” 需要明确的是,WaveSense并不主张用激光雷达取代激光雷达雷达或摄像机,它们在大多数情况下都能很好执行测绘和物体检测任务。

    84950发布于 2018-09-26
  • 来自专栏图形学与OpenGL

    CG实验4 三维几何变换

    1.实验目的 学习了解三维图形几何变换原理。 理解掌握WebGL三维图形几何变换的方法。 2. 实验内容 阅读教材有关三维图形变换原理,运行示范实验代码,掌握WebGL程序三维图形变换的方法; 请分别调整观察变换矩阵、模型变换矩阵和投影变换矩阵的参数,观察变换结果; 修改变换矩阵参数,实现一点透视 create(); mat4.lookAt(vMatrix, eye, center, up); // Model Matrix var mMatrix = mat4.create(); mvpMatrix = mat4.create(); mat4.multiply(mvpMatrix, vMatrix, mMatrix); mat4.multiply(mvpMatrix, a_Position;\n' + 'attribute vec4 a_Color;\n' + 'uniform mat4 u_MvpMatrix;\n' + 'varying vec4 v_Color

    88410发布于 2018-10-09
领券